Deep Learning-Based Tongue Pathology Detection: Mapping Fine-Grained Computer Vision Features to Ayurvedic Diagnostic Heuristics

Riepilogo Tecnico: Rilevamento della Patologia Linguale Basato sul Deep Learning

Definizione del Problema
La medicina Ayurvedica tradizionale si affida all'esame della lingua per classificare gli individui in tipi costituzionali (dosha: Vata, Pitta, Kapha) e fornire raccomandazioni personalizzate per il benessere. Tuttavia, questa valutazione dipende attualmente dall'esperienza del praticante, dall'esperienza visiva e dall'interpretazione soggettiva, il che porta a variabilità e una limitata riproducibilità. Sebbene i recenti progressi nell'intelligenza artificiale (IA) e nella visione artificiale abbiano trasformato l'analisi delle immagini mediche, gli studi esistenti sulla diagnosi della lingua si concentrano principalmente sulla classificazione delle malattie nella Medicina Tradizionale Cinese (MTC) o si affidano pesantemente ad assessimenti basati su questionari. Esiste una notevole scarsità di sistemi leggeri, adatti ai dispositivi mobili, che integrino il rilevamento fine delle caratteristiche della lingua con la valutazione costituzionale Ayurvedica tramite inferenza on-device. Inoltre, sfide quali la scarsità di dataset benchmark pubblici, protocolli di annotazione incoerenti e la mancanza di metodologie di valutazione standardizzate ostacolano lo sviluppo di sistemi robusti e interpretabili in questo dominio.

Metodologia
Il documento propone "Jihwa", un framework mobile edge-AI leggero progettato per l'analisi non invasiva delle caratteristiche della lingua e la valutazione del benessere Ayurvedica basata su regole. L'architettura del sistema consiste in tre livelli primari:

1. Livello di Percezione (Visione Artificiale):

   • Modello: Il sistema impiega un modello di object detection YOLO11n, scelto per il suo equilibrio tra accuratezza ed efficienza computazionale adatto al deployment su dispositivi mobili.
   • Addestramento: Il modello è stato addestrato tramite transfer learning sul dataset TMC-Tongue, che contiene 6.719 immagini annotate attraverso 20 categorie di caratteristiche della lingua (inclusi colore del corpo della lingua, rivestimento, crepe, impronte dei denti, gonfiore e indicatori di zone d'organo).
   • Pre-elaborazione: Le immagini sono state ridimensionate a 640×640 pixel. Tecniche di data augmentation (scaling, traslazione, flipping orizzontale e trasformazioni HSV controllate) sono state applicate per aumentare la robustezza preservando al contempo i pattern cromatici clinicamente significativi.
   • Inferenza: Il modello addestrato viene convertito in formato TensorFlow Lite, consentendo l'inferenza in tempo reale direttamente sul dispositivo senza trasmettere immagini a server esterni. Il modello restituisce bounding box, etichette di classe e punteggi di confidenza, che vengono raffinati utilizzando soglie di confidenza e Non-Maximum Suppression (NMS).

2. Livello di Interpretazione (Fusione Multi-modale):

   • Questionario: Gli utenti completano un'auto-valutazione di 22 domande che coprono tratti fisiologici e comportamentali (digestione, sonno, energia, ecc.), i quali vengono mappati su punteggi Vata, Pitta e Kapha.
   • Meccanismo di Fusione: Il framework utilizza una strategia di fusione ponderata trasparente basata su regole. Le caratteristiche visive estratte dal modello YOLO11n contribuiscono per il 60% alla valutazione finale, mentre le risposte al questionario contribuiscono per il 40%.
   • Scoring: Le caratteristiche della lingua rilevate ricevono pesi Ayurvedici basati su euristiche diagnostiche predefinite. Il punteggio visivo ($S_{visual}$) è calcolato sommando il prodotto dei pesi delle caratteristiche e dei punteggi di confidenza. Questo viene combinato con il punteggio normalizzato del questionario ($S_{questionnaire}$) utilizzando la formula: $S_{final} = 0.6S_{visual} + 0.4S_{questionnaire}$.
   • Classificazione: I punteggi fusi vengono normalizzati per generare valori percentuali per i tre dosha. Il sistema identifica una costituzione dominante o una costituzione mista (ad es. Vata-Pitta), supportando sette distinti tipi costituzionali.

3. Livello di Raccomandazione:

   • In base alla costituzione identificata, il sistema genera raccomandazioni di benessere personalizzate, inclusi orientamenti dietetici, strategie di idratazione e un piano di stile di vita in otto fasi. Tutte le raccomandazioni sono generate on-device per preservare la privacy dell'utente.

Contributi Chiave

• Integrazione delle Modalità: Il documento presenta un framework unificato che combina l'object detection fine delle caratteristiche della lingua con un ragionamento strutturato basato su questionario, una combinazione raramente presente nelle applicazioni di salute edge-AI esistenti.
• Implementazione Edge-AI: A differenza degli approcci basati su cloud, il sistema esegue il modello YOLO11n interamente sul dispositivo mobile dell'utente, garantendo bassa latenza, privacy dei dati e indipendenza dalla connettività internet.
• Interpretabilità: Il framework distingue tra la componente di machine learning (rilevamento delle caratteristiche) e l'interpretazione del benessere basata su regole. Questa trasparenza consente una chiara mappatura delle caratteristiche visive alle euristiche Ayurvediche, evitando la natura a "scatola nera" della diagnosi end-to-end tramite deep learning.
• Utilizzo del Dataset: Il lavoro sfrutta il dataset TMC-Tongue per addestrare un rilevatore capace di identificare 20 specifiche caratteristiche della lingua, colmando il divario nel rilevamento fine delle caratteristiche per contesti Ayurvedici.

Risultati Sperimentali
Il modello YOLO11n è stato addestrato per 150 epoche sul dataset TMC-Tongue. Le prestazioni sono state valutate utilizzando metriche standard di object detection su un set di test non utilizzato durante l'addestramento:

• Precisione: 0.424
• Recall: 0.318
• mAP@50: 0.293
• mAP@50-95: 0.232

I risultati indicano che il modello ha appreso con successo le caratteristiche discriminanti della lingua. L'analisi della matrice di confusione ha rivelato che la maggior parte delle classi presentava una forte dominanza diagonale, con misclassificazioni avvenute principalmente tra caratteristiche visivamente simili (ad es. specifici pattern di rivestimento o di crepe). Le curve di addestramento hanno dimostrato una convergenza stabile, con perdite in diminuzione e metriche in miglioramento nel corso delle epoche. La curva F1-confidence ha identificato una regione di soglia ottimale in cui precisione e recall risultavano bilanciate.

Significatività e Rivendicazioni
L'autore posiziona questo lavoro non come un sostituto dell'esperienza clinica, ma come uno strumento per il monitoraggio del benessere accessibile e personalizzato. La significatività del documento risiede nella dimostrazione di un framework trasparente e computazionalmente efficiente che unisce le euristiche diagnostiche della medicina Ayurvedica con il deep learning moderno. Distinguendo chiaramente il rilevamento validato tramite machine learning dall'interpretazione basata su regole, lo studio fornisce una base per la ricerca futura all'intersezione tra edge AI, salute digitale e medicina tradizionale computazionale. L'autore afferma che questo approccio offre una soluzione pratica per superare la soggettività della tradizionale diagnosi della lingua, mantenendo al contempo la privacy e l'accessibilità richieste per le applicazioni di salute quotidiane.